CN103411973B - 一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法 - Google Patents

Abstract

本发明公开了一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法，该方法包括以下步骤：从四个不同产量水平不同植株随机取下1500粒葡萄,将每25粒葡萄作为一个样本，共计60个样本,将样本随机分为校正集和检验集，其中校正集40个样本，检验集20个样本；采用近红外高光谱图像获得酿酒葡萄果皮的光谱数据；利用pH示差法测量花色苷含量；结合光谱预处理方法和化学计量学建模方法，建立葡萄果皮中花色苷含量的预测模型。本发明通过使用光谱成像技术，将成像技术与光谱探测技术相结合，对目标空间特征成像的同时，具有检测速度快、效率高、成本低的优点，适于应用于农产品品质与安全的无损检测，有效地检测了酿酒葡萄果皮中花色苷的含量。

Description

一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法

技术领域

本发明属于葡萄酒酿造领域，尤其涉及一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法。

背景技术

花色苷是葡萄与葡萄酒酒中一类重要的酚类化合物，主要存在于葡萄浆果表皮下3～4层细胞的液泡里。它是赋予葡萄酒颜色的主要物质，并对其风味、口感和营养价值等有重要影响，是决定葡萄酒感官质量的重要因素之一，也是红葡萄酒耐储存的基础。一般而言，葡萄浆果转色后花色苷开始迅速积累，并于果实成熟时达到最大。因此，葡萄采摘时花色苷的含量很大程度上影响着所酿酒的颜色和其它感官质量。

目前对葡萄果实中花色苷含量的测定主要有：（1）光谱法。主要利用不同pH值的有机溶剂提取果实中的花色苷，然后利用分光光度计比色获得花色苷含量。这些方法一般需要4h～8h的避光浸提，并不断震荡；（2）色谱法。主要利用液相色谱、液相色谱-质谱技术直接测定果实中花色苷的含量。但是，各种色谱技术都需要昂贵的检测设备，以及复杂的前处理和较长的测试时间。

以上两大类化学检测法都会破坏检测对象，并难以实现快速、大样本量的检测。目前国内外针对酿酒葡萄果实中花色苷含量的快速检测的研究还较少。

近年来，高光谱成像技术作为一种无损检测方法引起了广泛的关注。其最大特点是将成像技术与光谱探测技术相结合，对目标空间特征成像的同时，对每个空间像元经过色散形成几十个乃至几百个窄波段以进行连续的光谱覆盖。由于其具有检测速度快、效率高、成本低等优点，越来越多地应用于农产品品质与安全的无损检测。

基于PLSR模型推荐的13个隐含变量建立的BP神经网络模型的预测决定系数和预测均方根误差分别为0.9102和0.3795。这说明酿酒葡萄果实的光谱数据与果皮中花色苷的含量相关性强，利用近红外高光谱成像技术检测酿酒葡萄果皮中花色苷含量是可行的。

现有的化学检测法会破坏检测对象，并难以实现快速、大样本量的检测，目前国内外针对酿酒葡萄果实中花色苷含量的快速检测的研究还较少。

发明内容

本发明的目的在于提供一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法，旨在解决现有的化学检测法会破坏检测对象，并难以实现快速、大样本量的检测，目前国内外针对酿酒葡萄果实中花色苷含量的快速检测的研究还较少的问题。

本发明的技术方案是这样实现的，基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法，该基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法包括以下步骤：

步骤一，从四个不同产量水平不同植株随机取下1500粒葡萄，将每25粒葡萄作为一个样本，共计60个样本，将样本随机分为校正集和检验集，其中校正集40个样本，检验集20个样本；

步骤二，采用近红外高光谱图像获得酿酒葡萄果皮的光谱数据；

步骤三，利用pH示差法测量的花色苷含量；

步骤四，结合光谱预处理方法和化学计量学建模方法，建立葡萄果皮中花色苷含量的预测模型。

进一步，在步骤二中，为了消除光源强度在各波段下分布不均以及摄像头中暗电流噪声的影响，需对获得的图像进行黑白标定，具体方法为对反射率为99%标准白色校正板进行图像采集，得到全白的标定图像R_ref，然后拧上镜头盖，关闭光源，采集得到全黑标定图像R_dark，计算校正后的图像R；

$R=\frac{R_{\mathrm{img}}-R_{\mathrm{dark}}}{R_{\mathrm{ref}}-R_{\mathrm{dark}}}$

式中，R_img为原始的高光谱图像。

进一步，在步骤三中利用pH示差法测量的花色苷含量的具体方法为：

第一步，撕取每个样本25粒浆果的果皮，超纯水冲洗干净后用吸水纸吸干水分，称重；

第二步，用液氮研磨成粉，转入50mL离心管中，加入30mL酸化甲醇溶液，25℃下超声辅助提取30min，离心8000r/min，15min，收集上清液，向残渣中继续加入30mL酸化甲醇，按上述过程再重复提取3次，合并所有上清液，-20℃贮藏备用；

第三步，花色苷含量采用pH示差法测定，提取液分别用pH1.0的盐酸-氯化钠缓冲液及pH4.5的醋酸-醋酸钠缓冲液稀释20倍，然后分别在510nm与700nm下测定这两种稀释液的吸光度，吸光度A通过公式计算：

A=(A_510nm-A_700nm)pH1.0-(A_510nm-A_700nm)pH4.5

花色苷用矢车菊素-3-葡萄糖苷（CGE，mg/g）表示，并通过公式计算：

$\mathrm{CGE}(\mathrm{mg}/g)=\frac{A\×\mathrm{MW}\×\mathrm{DF}\×\mathrm{Ve}\×1000}{\mathrm{\ϵ}\×1\×M}$

式中，MW为矢车菊素-3-葡萄糖苷相对分子量（449），DF为稀释倍数，ε为摩尔吸光系数（29600），Ve为提取液总体积（mL），M为葡萄皮质量（g）。

进一步，在步骤四中，采用主成分分析法和偏最小二乘法，通过评估建立模型的效果，确定出最佳的降维方法。

本发明的另一目的在于提供一种高光谱图像采集装置，该高光谱图像采集装置包括：计算机、CCD相机、光谱仪、镜头、暗箱、光源、载物台、电机、光源控制器；

计算机连接CCD相机，CCD相机设置在暗箱的最上端，CCD相机下方依次设置光谱仪和镜头，暗箱的左上方和右上方分别设置光源，载物台与镜头设置在同一轴线上，安装在暗箱的底部，电机的一端连接计算机，另一端连接载物台，光源控制器设置在暗箱的左侧，与光源相连接。

本发明提供的基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法，通过采用近红外高光谱图像获得酿酒葡萄果皮的光谱数据，利用pH示差法测量的花色苷含量，结合光谱预处理方法和化学计量学建模方法，建立葡萄果皮中花色苷含量的预测模型。本发明的光谱成像技术作为一种无损检测方法，将成像技术与光谱探测技术相结合，对目标空间特征成像的同时，对每个空间像元经过色散形成几十个乃至几百个窄波段以进行连续的光谱覆盖，具有检测速度快、效率高、成本低的优点，适于应用于农产品品质与安全的无损检测。此外，本发明较好的解决了现有的化学检测法会破坏检测对象，并难以实现快速、大样本量的检测，目前国内外针对酿酒葡萄果实中花色苷含量的快速检测的研究还较少的问题；有效的检测了酿酒葡萄果皮中花色苷的含量，克服了化学检测方法复杂、成本高的缺点。

附图说明

图1是本发明实施例提供的基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法流程图；

图2是本发明实施例提供的葡萄果实区域在1160nm波段的图像示意图；

图3是本发明实施例提供的高光谱图像感兴趣区域的平均光谱曲线图；

图4是本发明实施例提供的PLSR建模方法下葡萄中花色苷预测值与实际值的比较示意图；

图5是本发明实施例提供的BPNN建模方法下葡萄中花色苷预测值与实际值的比较示意图；

图6是本发明实施例提供的SVR建模方法下葡萄中花色苷预测值与实际值的比较示意图；

图7是本发明实施例提供的高光谱图像采集装置示意图；

图中：1、计算机；2、CCD相机；3、光谱仪；4、镜头；5、暗箱；6、光源；7、载物台；8、电机；9、光源控制器。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1示出了本发明提供的基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法流程。为了便于说明，仅仅示出了与本发明相关的部分。

本发明的实施例提供的基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法，该基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法包括以下步骤：

步骤一，从四个不同产量水平不同植株随机取下1500粒葡萄，将每25粒葡萄作为一个样本，共计60个样本，将样本随机分为校正集和检验集，其中校正集40个样本，检验集20个样本；

步骤二，采用近红外高光谱图像获得酿酒葡萄果皮的光谱数据；

步骤三，利用pH示差法测量的花色苷含量；

步骤四，结合光谱预处理方法和化学计量学建模方法，建立葡萄果皮中花色苷含量的预测模型。

作为本发明实施例的一优化方案，在步骤二中，为了消除光源强度在各波段下分布不均以及摄像头中暗电流噪声的影响，需对获得的图像进行黑白标定，具体方法为对反射率为99%标准白色校正板进行图像采集，得到全白的标定图像R_ref，然后拧上镜头盖，关闭光源，采集得到全黑标定图像R_dark，计算校正后的图像R；

$R=\frac{R_{\mathrm{img}}-R_{\mathrm{dark}}}{R_{\mathrm{ref}}-R_{\mathrm{dark}}}$

式中，R_img为原始的高光谱图像。

作为本发明实施例的一优化方案，在步骤三中利用pH示差法测量的花色苷含量的具体方法为：

第一步，撕取每个样本25粒浆果的果皮，超纯水冲洗干净后用吸水纸吸干水分，称重；

第二步，用液氮研磨成粉，转入50mL离心管中，加入30mL酸化甲醇溶液，25℃下超声辅助提取30min，离心8000r/min，15min，收集上清液，向残渣中继续加入30mL酸化甲醇，按上述过程再重复提取3次，合并所有上清液，-20℃贮藏备用；

第三步，花色苷含量采用pH示差法测定，提取液分别用pH1.0的盐酸-氯化钠缓冲液及pH4.5的醋酸-醋酸钠缓冲液稀释20倍，然后分别在510nm与700nm下测定这两种稀释液的吸光度，吸光度A通过公式计算：

A=(A_510nm-A_700nm)pH1.0-(A_510nm-A_700nm)pH4.5

花色苷用矢车菊素-3-葡萄糖苷（CGE，mg/g）表示，并通过公式计算：

$\mathrm{CGE}(\mathrm{mg}/g)=\frac{A\×\mathrm{MW}\×\mathrm{DF}\×\mathrm{Ve}\×1000}{\mathrm{\ϵ}\×1\×M}$

式中，MW为矢车菊素-3-葡萄糖苷相对分子量（449），DF为稀释倍数，ε为摩尔吸光系数（29600），Ve为提取液总体积（mL），M为葡萄皮质量（g）。

作为本发明实施例的一优化方案，在步骤四中，采用主成分分析法和偏最小二乘法，通过评估建立模型的效果，确定出最佳的降维方法。

下面结合附图及具体实施例对本发明的应用原理作进一步描述。

如图1所示，本发明实施例的基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法包括以下步骤：

S101：从四个不同产量水平不同植株随机取下1500粒葡萄,将每25粒葡萄作为一个样本，共计60个样本，将样本随机分为校正集和检验集，其中校正集40个样本，检验集20个样本；

S102：采用近红外高光谱图像获得酿酒葡萄果皮的光谱数据；

S103：利用pH示差法测量的花色苷含量；

S104：结合光谱预处理方法和化学计量学建模方法，建立葡萄果皮中花色苷含量的预测模型。

本发明的具体步骤为：

第一步，采集样本，陕西省泾阳县种植的酿酒葡萄赤霞珠（CabernetSauvinon，CS）果实，采样日期为2012年9月5日，为了保证样本具有代表性，从四个不同产量水平不同植株随机取下1500粒葡萄，将每25粒葡萄作为一个样本，共计60个样本，将样本随机分为校正集和检验集，其中校正集40个样本，检验集20个样本；

花色苷含量测定仪器为紫外-可见分光光度（UV2450，ShimadzuLtd.，日本）主要试剂包括：盐酸、甲醇、氯化钠、醋酸、醋酸钠（均为国药集团化学试剂有限公司生产）。

第二步，高光谱图像采集

高光谱图像数据采集由高光谱图像采集系统完成，后续的数据处理采用ENVI4.7。为了保证采集图像清晰且不失真，采集前要调整镜头焦距并确保移动平台的速度、相机曝光时间和光源的匹配，经调试确定相机曝光时间为10ms，平台移动速度为20mm/s，每次将一个样本（25粒葡萄）放置载物台上，且载物台中心对准相机，当平台移动时，近红外光谱仪从上往下扫描样本，每次扫描得到一行图像的光谱信息，然后平台带动样本运动，获取其他位置的光谱信息，直至获得整个样本的光谱信息，采用同样的方法采集60个样本的高光谱图像；

为了消除光源强度在各波段下分布不均以及摄像头中暗电流噪声的影响，需对获得的图像进行黑白标定，具体方法为对反射率为99%标准白色校正板进行图像采集，得到全白的标定图像R_ref，然后拧上镜头盖，关闭光源，采集得到全黑标定图像R_dark。根据式(1)计算校正后的图像R；

$R=\frac{R_{\mathrm{img}}-R_{\mathrm{dark}}}{R_{\mathrm{ref}}-R_{\mathrm{dark}}}---\left(1\right)$

式中，R_img为原始的高光谱图像。

第三步，花色苷含量的测定

首先，小心撕取每个样本（25粒浆果）的果皮，超纯水冲洗干净后用吸水纸吸干水分，称重；然后用液氮研磨成粉，转入50mL离心管中，加入30mL酸化甲醇溶液，25℃下超声辅助提取30min。离心（8000r/min）15min，收集上清液，向残渣中继续加入30mL酸化甲醇，按上述过程再重复提取3次，合并所有上清液，-20℃贮藏备用；

花色苷含量采用pH示差法测定，提取液分别用pH1.0的盐酸-氯化钠缓冲液及pH4.5的醋酸-醋酸钠缓冲液稀释20倍，然后分别在510nm与700nm下测定这两种稀释液的吸光度。吸光度A通过公式（2）计算：

A=(A_510nm-A_700nm)pH1.0-(A_510nm-A_700nm)pH4.5(2)

花色苷用矢车菊素-3-葡萄糖苷（CGE，mg/g）表示，并通过公式（3）计算：

$\mathrm{CGE}(\mathrm{mg}/g)=\frac{A\×\mathrm{MW}\×\mathrm{DF}\×\mathrm{Ve}\×1000}{\mathrm{\ϵ}\×1\×M}---\left(3\right)$

式中，MW为矢车菊素-3-葡萄糖苷相对分子量（449），DF为稀释倍数，ε为摩尔吸光系数（29600），Ve为提取液总体积（mL），M为葡萄皮质量（g）；

第四步，光谱的提取和预处理

由于高频随机噪声、基线漂移、样本不均匀、表面散射等干扰因素影响建模效果，需要对样本平均光谱曲线进行预处理，本发明采用的预处理方法有中心化变换（mean-centeringcorrection）、SG平滑（Savitzky-Golaysmoothing，SG）、归一化处理（normalization）、变量标准化（standardnormalvariate，SNV）、多元散射校正（multiplicativescattercorrection，MSC）、一阶求导（firstderivative，1-Der）和二阶求导（secondderivative，2-Der）；

从高光谱图像中获得的光谱数据变量多，变量之间存在冗余信息，因此，在进行模型训练之前，进行去冗余和降噪的高维矢量降维处理，降维的基本原则是：投影降维后数据不失真，降维过程去除数据噪声或冗余信息，从而降低后续建模复杂度，提高模型的精度，本发明分别采用主成分分析法（principlecomponentanalysis，PCA）和偏最小二乘法（partialleastsquare，PLS），通过评估建立模型的效果，确定出最佳的降维方法。

第五步，预测模型的建立方法

偏最小二乘回归法（partialleastsquareregression，PLSR）是一种新型的多元统计数据分析方法，它主要研究的是多因变量对多自变量的回归建模，当各变量内部高度线性相关时，用PLSR法更有效，而且，PLSR方法较好地解决了样本个数少于变量个数等问题，偏最小二乘回归分析在建模过程中，集成了主成分分析、典型相关分析和线性回归分析方法的特点，因此可以提供一个更为合理的回归模型；

人工神经网络是目前常用的非线性模型，目前应用较广的是基于误差反向传播算法的BP神经网络（backpropagationneuralnetwork，BPNN）。由于具有显著非线性处理信息的能力，已在各领域得到了广泛应用；

支持向量回归（supportvectorregression，SVR）是一个专门针对有限样本的学习机器，其优化的基本思想是结构风险最小化，即在数据逼近精度与逼近函数复杂性之间寻求折中，以期获得最好的模型泛化能力，SVR最终转化为凸二次规划问题，从理论上说，得到的将是全局最优解，解决了神经网络等方法中无法避免的局部极值问题。SVR优化中巧妙地利用核函数，将复杂实际问题通过非线性变换转换到高维特征空间，在高维空间中构造线性决策函数来实现原空间中的非线性决策，核函数的引进，巧妙地规避高维映射定义和高维空间内积运算问题，并保证模型有较好的推广能力，考虑到葡萄高光谱数据和预测变量花色苷含量之间映射关系的复杂性和非线性性，利用基于核函数的通用学习算法SVR建模，在一定程度上规避了过拟风险，用核函数代替线性方程中的线性项，使原来的线性算法“非线性化”，从而完成非线性回归分析，本发明中所有模型的建立均采用MATLAB8.0（TheMathworksInc.，美国）实现；

结合结果与分析对本发明做进一步的说明：

1、总花色苷测定结果

将总花色甘含量作为样品的化学描述值，所有样本的总花色苷含量的测定统计结果如表1所示。可以看出，检验集的样本具有较好的代表性。

表1花色苷含量统计

2、葡萄果实区域的高光谱图像及感兴趣区域的平均光谱

根据葡萄果实和背景不同的光谱特性，选择1060nm和1400nm的图像波进行波段比处理，得到一幅波段比图像，通过分析波段比结果发现葡萄果实区域的值大于6，而背景噪声的值在1左右，因此将阈值选为6，获得一幅背景区域为0、果实区域为1的二值图像，将二值图像作为掩膜，提取高光谱图像中的葡萄果实区域（如图2所示），将其选为感兴趣区域（regionofinterest，ROI）。然后计算出所有ROI的平均光谱；

图3是获得的60条样本高光谱图像感兴趣区域（ROI）的平均光谱曲线；由于光谱包含很多高频噪声，在数据分析中只采用931～1700nm间的数据；且由于光照影响，光谱之间的差异变大；因此需要对原始光谱进行预处理；

预测模型的评价，评估回归模型的有效性，试验以模型校正决定系数（calibrationR²，C-R²）、校正均方根误差（rootmeansquareerrorofcalibrationset，RMSEC）、预测决定系数（predictionR²，P-R²）、预测均方根误差（rootmeansquareerrorofpredictionset，RMSEP）等指标作为依据，对所建模型进行比较分析，并对模型的预测结果进行评价；

最小二乘回归建模，了得到可靠稳定的模型，采用10折交互验证法（10-foldcrossvalidation）确定独立隐含变量的个数，将校正集分割成10个子样本，其中一个子样本作为验证模型的数据，其他9个子样本用来校正模型，每个子样本验证依次，此过程共重复10次，选取合适的隐含变量的个数，使得模型的预测误差平方和（predictedresidualsumsofsquares,PRESS）达到最小，以保证模型具有较好的泛化能力；

本发明采用SG平滑、归一化处理、变量标准化、多元散射校正、一阶求导和二阶求导等处理方法，所有用于建模的数据都应进行中心化变换，然后把各种预处理后的数据分别作为自变量，并基于PLSR建立花色苷含量的预测模型，通过比较各个模型的结果来对各种预处理的信息提取效果进行评价（表2），

表2不同光谱预处理下PLSR模型的预测结果

Tab.2PredictionresultsofPLSRmodelswithdifferentpretreatmens

从表2可以看出，基于MSC处理的光谱数据建立的模型具有最高的预测决定系数和最小的预测均方根误差，C-R²和P-R²分别为0.9358和0.8887，RMSEC和RMSEP分别为0.2927和0.4224，经过10折交互验证（10-foldcrossvalidation）得出交互验证均方根误差（rootmeansquareerrorofcrossvalidation,RMSECV）为0.4855，其模型预测效果见图4。

这是因为经过MSC处理后得到的光谱数据，有效地消除散射影响所导致的基线平移或偏移现象，使样本之间反射比的差异明显减小，这种差异可以近似认为是仅由物质成分含量的差异造成的，是葡萄果皮中所有成分对光照反射共同作用的结果，故后续分析都是基于此预处理后的光谱数据；

BP神经网络建模，P神经网络建模过程中，根据模型最佳预测性能的原则，分别采用PCA和PLS对预处理后的数据进行降维处理，使用PCA时，按照协方差矩阵分解后特征值所占能量比来确定独立主成分数目，当独立主成分个数为8时，降维后能量比为99.98%，而当主成分个数为13时，降维后能量比达到99.999%，使用PLS时，隐含变量个数由累计贡献率来确定，隐含变量个数为13时，贡献率为91.92%，当隐含变量为20时，贡献率达到99.82%；

BP神经网络模型的隐含层节点数参照输入变量个数并参考公式（4），

$n_1=\sqrt{n+m}+a---\left(4\right)$

式中，n₁隐含层节点数，n是输入神经元个数，m是输出神经元个数，a是1到10间的整数；

表3不同降维处理下BPANN模型的预测结果

从表3可以看出，使用PLS方法降维，隐含变量个数为13，隐节点个数选择13时，花色苷含量预测效果最佳，模型校正决定系数和预测决定系数分别为0.9254和0.9102，校正均方根误差和预测均方根误差分别为0.3157和0.3795，经过10折交互验证得出交互验证均方根误差（RMSECV）为0.4057，可见模型较为可靠；

预测效果如图5所示，当隐含变量选择20时，虽然模型校正决定系数有明显的升高，但是预测决定系数反而降低，这说明数据之间出现了过拟合现象，PLS降维效果整体上明显优于PCA，这是由于PCA在对光谱信息做综合提取时，只注重最好的概括光谱信息，而不考虑主成分对花色苷含量的解释性，而PLS提取隐含变量时，不但考虑尽可能地概括光谱信息，而且所提取的隐含变量对花色苷含量有最强的解释性，因此所建立的模型具有很高的解释和预测能力，

表4SVR模型参数C与g寻优结果

表5不同核函数情况下的模型性能评估

持向量回归建模：

SVR核函数包括线性核（linear）、多项式核（polynomial）、径向基核（radialbasisfunction，RBF）的结构，因而对拟合效果有较大影响，另一方面，SVR回

归模型的参数决定了模型的泛化效果，包括核函数参数g、coef_o、degree和惩罚系数C等，其中g反映了训练样本数据的分布或范围特性，确定局部邻域的宽度，C可以在模型复杂度和训练误差之间得到一个折中，使模型有一个好的泛化能力，本发明将PLS降维后的13个隐含变量作为输入变量，采用交叉验证（5-crossvalidation）和网格搜索（gridsearch）的方法获得最佳参数；

由于网格搜索较为耗时，为降低搜索难度，分两步进行：第一步以较大的搜索步长界定取值范围，第二步则根据第一步的结果以较小的步长确定最佳取值，搜索结果表明，当惩罚系数C为4.56×10⁵时，核函数参数g为3.32×10^-6时，模型可取得最佳结果（表4），用同样的方法确定出参数coef_o和degree的值分别为1.24和2.0；

如表5所示，从表中可以看出，在polynomial核函数情况下，SVR回归模型最好，性能最稳定，模型校正决定系数和预测决定系数分别为0.9003和0.8620，校正均方根误差和预测均方根误差分别为0.3650和0.4704，经过10折交互验证得出交互验证均方根误差（RMSECV）为0.5029，预测效果如图6所示，在RBF核函数情况下也取得较好的预测效果，性能最差的是在liner核函数情况下，其P-R²仅为0.1181，而RMESP却高达1.0318；

如图7所示，本发明实施例的高光谱图像采集装置，该高光谱图像采集装置包括：计算机1、CCD相机2、光谱仪3、镜头4、暗箱5、光源6、载物台7、电机8、光源控制器9；

计算机1连接CCD相机2，CCD相机2设置在暗箱5的最上端，CCD相机2下方依次设置光谱仪3和镜头4，暗箱5的左上方和右上方分别设置光源6，载物台7与镜头4设置在同一轴线上，安装在暗箱5的底部，电机8的一端连接计算机1，另一端连接载物台7，光源控制器9设置在暗箱5的左侧，与光源6相连接。

3、本发明为了有效检测酿酒葡萄果皮中花色苷的含量，克服化学检测方法复杂、成本高等缺点，本发明基于931～1700nm近红外波段高光谱成像系统获取葡萄浆果的高光谱图像，采用不同的光谱处理技术和建模方法方法，建立葡萄果皮中花色苷含量的预测模型，表明：（1）酿酒葡萄浆果的光谱数据与果皮中花色苷的含量相关性高，利用近红外高光谱成像技术检测酿酒葡萄果皮中花色苷含量是可行的，（2）与SG归一化、SNV、1-Der和2-Der预处理方法相比，MSC效果最佳，（3）在PLSR、SVM和BPNN这3个预测模型中，以BPNN模型的预测效果最好，其P-R²和RMSEP分别为0.9102和0.3795，预测结果令人满意。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法，其特征在于，该基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法包括以下步骤：

步骤一，从四个不同产量水平不同植株随机取下1500粒葡萄,将每25粒葡萄作为一个样本，共计60个样本,将样本随机分为校正集和检验集，其中校正集40个样本，检验集20个样本；

步骤二，采用近红外高光谱图像获得酿酒葡萄果皮的光谱数据；

步骤三，利用pH示差法测量得花色苷含量；

步骤四，结合光谱预处理方法和化学计量学建模方法，建立葡萄果皮中花色苷含量的预测模型；

在步骤二中，为了消除光源强度在各波段下分布不均以及摄像头中暗电流噪声的影响，需对获得的图像进行黑白标定，具体方法为对反射率为99％标准白色校正板进行图像采集，得到全白的标定图像R_ref，然后拧上镜头盖，关闭光源，采集得到全黑标定图像R_dark，计算校正后的图像R；

$R=\frac{R_{img}-R_{dark}}{R_{ref}-R_{dark}}$

式中，R_img为原始的高光谱图像；

在步骤三中利用pH示差法测量的花色苷含量的具体方法为：

第一步，撕取每个样本25粒浆果的果皮，超纯水冲洗干净后用吸水纸吸干水分，称重；

第二步，用液氮研磨成粉，转入50mL离心管中，加入30mL酸化甲醇溶液，25℃下超声辅助提取30min，离心8000r/min，15min，收集上清液，向残渣中继续加入30mL酸化甲醇，按上述过程再重复提取3次，合并所有上清液，-20℃贮藏备用；

第三步，花色苷含量采用pH示差法测定，提取液分别用pH1.0的盐酸-氯化钠缓冲液及pH4.5的醋酸-醋酸钠缓冲液稀释20倍，然后分别在510nm与700nm下测定这两种稀释液的吸光度，吸光度A通过公式计算：

A＝(A_510nm-A_700nm)_pH1.0-(A_510nm-A_700nm)_Ph4.5

花色苷用矢车菊素-3-葡萄糖苷CGE表示，其单位为mg/g，并通过公式计算：

$CGE(mg/g)=\frac{A\×MW\×DF\×Ve\×1000}{\mathrm{\ϵ}\×1\×M}$

式中，MW为矢车菊素-3-葡萄糖苷相对分子量449，DF为稀释倍数，ε为摩尔吸光系数29600，Ve为提取液总体积mL，M为葡萄皮质量，其单位为g；

在步骤四中，采用主成分分析法和偏最小二乘法，通过评估建立模型的效果，确定出最佳的降维方法。